نویسنده (ها): Setia Budi Sumandra
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
وقتی وارد دنیای یادگیری بدون نظارت می شویم ، یکی از اولین خانواده های الگوریتم هایی که با آنها ملاقات می کنیم ، K-Family-K-Means ، K-Modes و K-Prototypes است. هر یک از اعضای این خانواده نقش منحصر به فردی در کمک به ما در ایجاد داده های غیرمجاز بازی می کنند ، بسته به یک چیز مهم: نوع داده ای که ما داریم.
در این بخش دوم از سری یادگیری بدون نظارت ، بیایید نگاهی دقیق تر به این سه الگوریتم – نه فقط از دیدگاه فنی ، بلکه با درک داستان در پشت فرمول های آنها – به دلیل در قلب هر استراتژی خوشه بندی ، اندازه گیری “شباهت” است که باعث ایجاد همه تفاوت ها می شود.
اگر به مدل سازی و تجزیه و تحلیل علاقه دارید ، در اینجا مقالات دیگری را در اینجا قرار دهید:
“بدون برچسب ، مشکلی نیست”. این شعار یادگیری بدون نظارت است – شاخه ای جذاب از یادگیری ماشین کجا …
pub.towardsai.net
مقدمه – از 🤯 به 😎
مد
بخشی از برنامه شریک Medium نیست؟ بدون نگرانی! 👉 این مقاله را اینجا بخوانید.
مد
تصور کنید که ما در حال تلاش برای گروه بندی جمعیتی از مردم هستیم. تعداد زیادی از آنها (مانند سن و درآمد) ، برخی برچسب ها را به همراه می آورند (مانند شهر خود یا کار عنوان) ، و برخی هر دو.
آیا با کسی “مشابه” رفتار می کنیم زیرا آنها تقریباً یکسان هستند؟ یا به دلیل اینکه آنها همان کار را دارند؟ یا هر دو؟
این سوال ساده … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی